Optimisation de plans d'expérience par méthodes particulaires
Résumé
We propose a new stochastic algorithm for Bayesian optimal design in nonlinear and high dimensional models. Like in the recent work of Peter Müller, we turn the optimization problem into a matter of Monte Carlo Markov chains simulations to explore the expected utility surface. The optimal design is then the mode of this surface seen as a probability distribution. Our algorithm mixes a "particles" method to efficiently explore high dimensional multimodal surfaces, with simulated annealing to concentrate the samples near the modes. We test it in a multiple change-point problem for time series data.
Nous proposons un nouvel algorithme stochastique de recherche de plan d'expérience optimal bayésien, dans le cadre de modèles non linéaires et de dimension élevée. A la manière de Peter Müller, nous transformons le problème d'optimisation en un problème de simulation de chaînes de Markov qui explorent la surface de l'espérance du critère d'optimisation. Le plan d'expérience optimal correspond alors au mode de cette surface vue comme une distribution de probabilité. Pour être performant dans les cas complexes, notre algorithme combine l'approche " particulaire " pour explorer efficacement la surface et un effet de recuit simulé pour concentrer les simulations près des modes. Il est testé ici sur un exemple de changements multiple sur une série temporelle.
Origine : Fichiers produits par l'(les) auteur(s)